LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt

Obstacle Detection for Self-Driving Cars Using Only Monocular Cameras and Wheel Odometry

无人驾驶汽车的动手视觉和行为 这是Packt发布的《无人驾驶的代码库。 使用Python 3和OpenCV 4探索视觉感知，车道检测和对象分类 这本书是关于什么的？ 这本书将使您对推动自动驾驶汽车革命的技术有深刻的了解。 首先，您所需要的只是计算机视觉和Python的基础知识。 本书涵盖以下激动人心的功能： 了解如何执行相机校准 熟悉使用OpenCV在自动驾驶汽车中进行车道检测的工作原理 通过在视频游戏模拟器中自动驾驶来探索行为克隆 掌握使用激光雷达的技巧 探索如何配置自动驾驶仪的控件 使用对象检测和语义分割来定位车道，汽车和行人 编写PID控制器以控制在模拟器中运行的自动驾驶汽车 如果您觉得这本书适合您，请立即获取！ 说明和导航 所有代码都组织在文件夹中。 例如，Chapter02。 该代码将如下所示： img_threshold = np.zeros_like(chan

DeepGTAV：GTAV的插件，可将其转变为基于视觉的自动驾驶汽车研究环境

Python中的实用自主项目 车道检测 交通标志识别 I.加载带有标签的完整数据集 二。 将图像大小转换为32x32 三， 建立卷积神经网络 IV。 训练模型 五，使用网站上的图片进行测试 样本图片 图片尺寸为32x32（RGB） 图片尺寸为32x32（HSV） 样品输出 标签 ＃ 标签名 softmax概率 14 停 0.998944 33 向右转 0.000532 29 自行车穿越 0.000311 34 向左转 0.000118 36 直走或右走 0.000095

项目：建立交通标志识别程序 该项目 该项目的目标/步骤如下： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 用书面报告总结结果 依存关系 该项目要求： tensorflow-gpu == 1.7.0 scipy == 1.0.0 matplotlib == 2.0.0 numpy == 1.14.2 opencv-contrib-python == 3.4.0.12 sklearn == 0.18.2 数据集探索 数据集摘要 。 加载数据集和基本摘要 加载数据集后，我得到以下摘要信息： 训练例数：34799 测试例数：12630 验证示例数：4410 图像形状为：（32 32，3） 类数标签：43 探索性可视化 该图像网格表示从训练集中每个类别中选择的一个随机图像 分配 现在，我们将探索分

颜色分类leetcode 自动驾驶汽车的感知算法 Udacity自动驾驶汽车纳米学位项目感知相关项目。 概括 车道线查找 传统的计算机视觉技术，如相机校准、颜色阈值和图像包装，已用于车道线查找。 Bird eye view中的Lane Line从像素单位转换为米单位，计算得到车辆的CTE(Cross Track Error)和车道的Curvature 。 车辆检测 SVM分类器用于对车辆和非车辆进行分类， Sliding window方法用于从图像中检测车辆。 通过由当前图像帧和前一图像帧的信息组成的Heat-map来防止多重检测和误报问题。 交通标志分类 CNN（卷积神经网络）用于交通标志分类，可识别和区分43种不同类型的交通标志。 再培训后，识别交通标志的测试准确率高达 93.5%。

pid控制器设计代码matlab MATLAB中的无人驾驶汽车仿真 该存储库包含MATLAB中的一系列自动驾驶汽车仿真。 在无人驾驶汽车的环境中，仿真主要集中在控制，传感器融合，状态估计和定位上。 1.在MATLAB / SIMULINK中对自动驾驶汽车的车道保持辅助系统进行仿真 该项目使用计算机视觉和控制原理来模拟simulink中自动驾驶汽车的车道保持辅助系统。 simulink中的计算机视觉工具箱用于检测车道线，并使用PID控制器在车道线之间驾驶车辆。 首先，将相机捕获的图像序列转换为HSV色彩空间。 将阈值应用于HSV颜色空间中的S通道以隔离车道线。 使用投影变换对二进制图像进行变换以获得场景的鸟瞰图。 最后，使用Simulink用户定义功能中的2D点云分析仪处理鸟瞰图，以检测左右车道。 2.用于跟踪的PID控制器设计 3.混合自动机设计 实现了汽车的动态性，PID控制器将汽车驶向指定的目标，同时避开了地图上的障碍物。 汽车和控制器的动力学都使用MATLAB中的面向对象程序植入到Car.m文件中。 主要功能运行汽车模型并绘制结果以生成用于此仿真的GIF文件。 注意：在每个文件夹

在Google Colab上运行CARLA模拟器 是用于自动驾驶研究的开源模拟器。 由于对硬件的要求很高，因此对于学生在colab上运行它可能很有用。 该存储库中的笔记本显示了如何在colab上运行和可视化CARLA。

无人驾驶汽车项目 我使用开源模拟器完成了多个自动驾驶汽车（AV）项目。 这些项目涵盖了从控制，状态估计，定位，感知到运动计划的视音频领域。 控制器使用CARLA模拟环境在跑道上导航自动驾驶汽车。 误差状态扩展卡尔曼滤波器，可使用CARLA模拟器中的数据对车辆进行定位。 名称待定 识别场景中对象的边界框并定义可驱动曲面的边界的算法。 名称待定 分层运动计划程序，用于在CARLA模拟器中的一系列场景中导航，包括避免将车停在车道上，跟着领先车辆行驶并安全地导航十字路口。 安装CARLA 的Ubuntu 下载并按照。 视窗 下载版并按照。